CN117970121A - 锂电池剩余寿命的预测方法、装置、服务器及存储介质 - Google Patents
锂电池剩余寿命的预测方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN117970121A CN117970121A CN202311837548.7A CN202311837548A CN117970121A CN 117970121 A CN117970121 A CN 117970121A CN 202311837548 A CN202311837548 A CN 202311837548A CN 117970121 A CN117970121 A CN 117970121A
- Authority
- CN
- China
- Prior art keywords
- data
- characteristic
- lithium battery
- charging
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 134
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 134
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000007600 charging Methods 0.000 claims abstract description 82
- 239000011159 matrix material Substances 0.000 claims abstract description 77
- 230000008859 change Effects 0.000 claims abstract description 9
- 238000010277 constant-current charging Methods 0.000 claims description 29
- 230000036541 health Effects 0.000 claims description 29
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 206010011906 Death Diseases 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本申请提供一种锂电池剩余寿命的预测方法、装置、服务器及存储介质。该方法包括:接收数据采集终端发送的待预测锂电池的充电数据,其中充电数据中包括待预测锂电池在各充电循环中的各指标随时间变化的序列;生成各指标随时间变化的特征曲线;对各指标进行特征组合,得到预设数量的特征组合;针对每个特征组合,从各指标随时间变化的特征曲线中,获取预设数量的充电循环的各特征组合对应的指标对应的离散点;将各特征组合的预设数量的充电循环的各特征组合对应的指标对应的离散点,确定为特征组合数据矩阵;将特征组合数据矩阵输入到训练好的剩余寿命预测模型中,以输出待预测锂电池的剩余寿命数据。本申请的方法提高了锂电池剩余寿命的预测精度。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种锂电池剩余寿命的预测方法、装置、服务器及存储介质。
背景技术
锂电池在寿命末期可能会出现安全问题,通过预测锂电池的剩余寿命,可以及时发现锂电池老化和潜在故障,并采取相应的安全措施,降低安全风险。
目前,现有技术中,采集待预测的锂电池的预设数量的电池健康状态(SOH,Stateof Health)参数,并根据电池健康状态参数,对电池剩余寿命进行预测。
然而,现有技术,电池健康状态参数仅是某些固定的参数,导致锂电池剩余寿命的预测精度较低。
发明内容
本申请提供一种锂电池剩余寿命的预测方法、装置、服务器及存储介质,用以解决锂电池剩余寿命的预测精度较低的技术问题。
第一方面,本申请提供一种锂电池剩余寿命的预测方法,包括:
接收数据采集终端发送的待预测锂电池的充电数据,其中充电数据中包括待预测锂电池在各充电循环中的各指标随时间变化的序列。
根据各指标随时间变化的序列生成各指标随时间变化的特征曲线。
对各指标进行特征组合,得到预设数量的特征组合。
针对每个特征组合,从各指标随时间变化的特征曲线中,获取预设数量的充电循环的各特征组合对应的指标对应的离散点。
将各特征组合的预设数量的充电循环的各特征组合对应的指标对应的离散点,确定为特征组合数据矩阵。
将特征组合数据矩阵输入到训练好的剩余寿命预测模型中,以输出待预测锂电池的剩余寿命数据。
在一种可能的设计中,其中训练好的剩余寿命预测模型中包括分割层、嵌入层、编码器层和全连接层回归器;相应地,将特征组合数据矩阵输入到训练好的剩余寿命预测模型中,以输出待预测锂电池的剩余寿命数据,包括:通过分割层将特征组合数据矩阵分割为多个特征数据矩阵;将每个特征数据矩阵输入至嵌入层,以输出每个特征数据矩阵对应的嵌入向量;获取每个特征数据矩阵对应的位置编码向量;根据嵌入向量和位置编码向量,得到每个特征数据矩阵的最终向量;将每个特征数据矩阵的最终向量输入至编码器层,以输出充电数据的特征表达式;将特征表达式输入至全连接层回归器,以输出待预测锂电池的电池健康状态预测值;根据电池健康状态预测值,输出待预测锂电池的剩余寿命数据。
在一种可能的设计中,针对每个特征组合,从各指标随时间变化的特征曲线中,获取预设数量的充电循环的各特征组合对应的指标对应的离散点,包括:在各指标随时间变化的特征曲线中,将恒流充电阶段对应的各指标随时间变化的特征曲线确定为恒流充电阶段的特征曲线;对恒流充电阶段的特征曲线进行插值,获取预设数量的充电循环的各特征组合对应的指标对应的离散点。
在一种可能的设计中,还包括:接收数据采集终端发送的多个锂电池的充电数据;获取每个锂电池的充电数据对应的特征组合数据矩阵;获取每个锂电池的健康状态数据和剩余寿命数据;根据每个锂电池对应的特征组合数据矩阵、健康状态数据和剩余寿命数据,构建样本数据集;将样本数据集输入至剩余寿命预测模型进行迭代训练,以得到训练好的剩余寿命预测模型。
在一种可能的设计中,对各指标进行特征组合,得到预设数量的特征组合,包括:对电流、电压、温度、电量、能量和容量增量值IC中的多种指标进行不同的组合处理,以得到预设数量的特征组合。
第二方面,本申请提供一种锂电池剩余寿命的预测装置,包括:
接收模块,用于接收数据采集终端发送的待预测锂电池的充电数据,其中所述充电数据中包括所述待预测锂电池在各充电循环中的各指标随时间变化的序列。
生成模块,用于根据所述各指标随时间变化的序列生成各指标随时间变化的特征曲线。
第一获取模块,用于对各指标进行特征组合,得到预设数量的特征组合。
第二获取模块,用于针对每个特征组合,从所述各指标随时间变化的特征曲线中,获取预设数量的充电循环的各特征组合对应的指标对应的离散点。
确定模块,用于将各特征组合的预设数量的充电循环的各特征组合对应的指标对应的离散点,确定为特征组合数据矩阵。
输出模块,用于将所述特征组合数据矩阵输入到训练好的剩余寿命预测模型中,以输出所述待预测锂电池的剩余寿命数据。
第三方面,本申请提供一种服务器,包括:
至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如上第一方面以及第一方面各种可能的设计所述的锂电池剩余寿命的预测方法。
第四方面,本申请提供一种计算机存储介质,所述计算机存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上第一方面以及第一方面各种可能的设计所述的锂电池剩余寿命的预测方法。
本申请提供的锂电池剩余寿命的预测方法、装置、服务器及存储介质,通过将待预测锂电池的充电数据中在各充电循环中的各指标随时间变化的序列,生成各指标随时间变化的特征曲线;在特征曲线中根据各指标不同的特征组合,确定特征组合数据矩阵,将特征组合数据矩阵输入至训练好的剩余寿命预测模型,以输出待预测锂电池的剩余寿命数据,建立了待预测锂电池的充电数据对应的不同特征组合与锂电池剩余寿命数据之间的映射关系,提高锂电池剩余寿命的预测精度。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本申请实施例提供的锂电池剩余寿命的预测方法的应用场景示意图;
图2为本申请一个实施例提供的锂电池剩余寿命的预测方法的流程示意图;
图3为本申请实施例提供的剩余寿命预测模型的结构示意图;
图4为本申请实施例提供的锂电池剩余寿命的预测装置的结构示意图;
图5为本申请实施例提供的服务器的硬件结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
锂电池在寿命末期可能会出现安全问题,通过预测锂电池的剩余寿命,可以及时发现锂电池老化和潜在故障,并采取相应的安全措施,降低安全风险。目前,现有技术中,采集待预测的锂电池的预设数量的电池参数,并然后将这些电池参数输入到机器学习模型中,以实现电池剩余寿命的预测。然而,现有技术,电池参数仅能是某些固定的参数,导致锂电池剩余寿命的预测精度较低。
为了解决以上的技术问题,本申请实施例提出以下技术思路:考虑到电池健康状态参数是固定的参数,会导致锂电池剩余寿命的预测精度较低。发明人想到了将锂电池的多个特征进行不同的组合,通过将不同特征组合对应的特征组合数据矩阵输入至训练好的剩余寿命预测模型,以输出待预测锂电池的剩余寿命数据,建立了待预测锂电池的充电数据对应的不同特征组合与锂电池剩余寿命数据之间的映射关系,从而提高了锂电池剩余寿命的预测精度。
本申请提供的锂电池剩余寿命的预测方法,旨在解决现有技术的如上技术问题。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
图1为本申请实施例提供的锂电池剩余寿命的预测方法的应用场景示意图。如图1所示,该应用场景包括:数据采集终端101、服务器102以及平台终端103。
其中,数据采集终端101,可以是计算机或终端设备。
服务器102,可以是一台服务器,也可是多台服务器组成的集群。
平台设备103,可以是显示终端等。
参考图1,数据采集终端101用于采集待预测锂电池的充电数据,并发送至服务器102;服务器102对待预测锂电池的充电数据进行一系列分析,得到特征组合数据矩阵,将特征组合数据矩阵输入到训练好的剩余寿命预测模型中,以输出待预测锂电池的剩余寿命数据;将待预测锂电池的剩余寿命数据发送至平台终端103进行显示。
图2为本申请一个实施例提供的锂电池剩余寿命的预测方法的流程示意图,本实施例的执行主体可以为图1实施例中的服务器102,也可以是有类似功能的其他服务器,本实施例此处不做特别限制。如图2所示,该方法包括:
S201:接收数据采集终端发送的待预测锂电池的充电数据,其中充电数据中包括待预测锂电池在各充电循环中的各指标随时间变化的序列。
其中,指标包括电流、电压、温度、电量、能量和容量增量值IC等。
S202:根据各指标随时间变化的序列生成各指标随时间变化的特征曲线。
其中,特征曲线包括电流时间曲线、电压时间曲线、温度时间曲线、电量时间曲线、能量时间曲线和容量增量值IC时间曲线等。
在本实施例中,容量增量值随时间变化的特征曲线获取方法如下:
a.从充电数据中获取恒流充电阶段的数据;
b.根据恒流充电阶段的数据,计算恒流充电阶段中任一时刻锂电池的电池荷电状态值,计算公式如下:
式中,SOC表示在恒流充电阶段中任一时刻锂电池的电池荷电状态值,Qbat表示在恒流充电阶段中任一时刻锂电池的电量值,表示在恒流充电阶段中任一时刻锂电池的容量值。
c.根据恒流充电阶段的数据,计算恒流充电阶段中任一时刻锂电池的容量增量值。
计算恒流充电阶段中任一时刻锂电池的容量增量值,公式如下:
式中,表示在恒流充电阶段中任一时刻锂电池的容量增量值,ΔQ表示在恒流充电阶段中任一时刻与前一相邻时刻锂电池的电量变化值,ΔV表示在恒流充电阶段中任一时刻与前一相邻时刻锂电池的电压变化值。
d.根据电池荷电状态值和容量增量值,获取容量增量值对应的特征曲线。
S203:对各指标进行特征组合,得到预设数量的特征组合。
具体地,对电流、电压、温度、电量、能量和容量增量值IC中的多种指标进行不同的组合处理,以得到预设数量的特征组合。
示例性地,可以将锂电池充电容量、电池自身温度以及电池充电过程中的容量增量值三种指标进行特征组合。
在本实施例中,预设数量为预先设定的特征组合的数量。
S204:针对每个特征组合,从各指标随时间变化的特征曲线中,获取预设数量的充电循环的各特征组合对应的指标对应的离散点。
具体地,在各指标随时间变化的特征曲线中进行插值,获取预设数量的充电循环的各特征组合对应的指标对应的离散点。
S205:将各特征组合的预设数量的充电循环的各特征组合对应的指标对应的离散点,确定为特征组合数据矩阵。
示例性地,特征组合数据矩阵为c×100×1000。其中,c为输入通道数,通道数与特征组合的预设数量对应。c×100×1000中的100表示待预测锂电池的前100个循环充电数据,1000代表在每个循环的充电阶段中,对电压区间中的特征曲线通过样条通过样条拟合和插值得到1000个离散点。
其中,100个循环充电数据为在相同充电条件下的充电数据。
S206:将特征组合数据矩阵输入到训练好的剩余寿命预测模型中,以输出待预测锂电池的剩余寿命数据。
综上可知,将待预测锂电池的充电数据中在各充电循环中的各指标随时间变化的序列,生成各指标随时间变化的特征曲线;在特征曲线中根据各指标不同的特征组合,确定特征组合数据矩阵,将特征组合数据矩阵输入至训练好的剩余寿命预测模型,以输出待预测锂电池的剩余寿命数据,建立了待预测锂电池的充电数据对应的不同特征组合与锂电池剩余寿命数据之间的映射关系,提高锂电池剩余寿命的预测精度。
在本申请的另一个实施例中,在上述实施例的基础上,对步骤“S206:将特征组合数据矩阵输入到训练好的剩余寿命预测模型中,以输出待预测锂电池的剩余寿命数据”的操作进行了详细介绍,具体包括Sa~Sg:
其中,训练好的剩余寿命预测模型中包括分割层、嵌入层、编码器层和全连接层回归器。如图3所示,图3为本申请实施例提供的剩余寿命预测模型的结构示意图。
其中,剩余寿命预测模型是基于视觉注意力(Vision Transformer,ViT)的模型。
Sa:通过分割层将特征组合数据矩阵分割为多个特征数据矩阵。
示例性地,将分割层的分割核和步长设置为10×100。基于图像处理方式,通过分割层将c×100×1000的特征组合数据矩阵分割为10×10个大小为10×100的特征数据矩阵。其中,c为输入通道数,通道数与特征组合的预设数量对应。c×100×1000中的100表示待预测锂电池的前100个循环充电数据,1000代表在每个循环的充电阶段中,对电压区间中的特征曲线通过样条拟合和插值得到1000个离散点。
Sb:将每个特征数据矩阵输入至嵌入层,以输出每个特征数据矩阵对应的嵌入向量。
在本实施例中,将每个特征数据矩阵进行拉伸,展开为一维向量,并保留[class]token的向量,得到每个特征数据矩阵对应的嵌入向量。
Sc:获取每个特征数据矩阵对应的位置编码向量。
其中,位置编码可以是一种用于表示相对位置关系的向量或矩阵。为每个特征数据矩阵添加位置编码,以提供其在整个特征组合数据矩阵中的位置信息。
Sd:根据嵌入向量和位置编码向量,得到每个特征数据矩阵的最终向量。
Se:将每个特征数据矩阵的最终向量输入至编码器层,以输出充电数据的特征表达式。
其中,编码器层包括多头自注意力机制和前馈神经网络两个子层。子层之间采用残差连接以及LayerNorm,每个子层的输出为LayerNorm(x+Output_sublayer(x))。
其中,LayerNorm(x+Output_sublayer(x))是编码层中每个子层的输出公式,其中x是子层的输入,Output_sublayer(x)是子层的输出,“+”表示向量加法运算,LayerNorm则是对加和后的向量进行规范化处理。
在本实施例中,通过计算每个特征数据矩阵的注意力权重来获取充电数据的特征表达式。
Sf:将特征表达式输入至全连接层回归器,以输出待预测锂电池的电池健康状态预测值。
在本实施例中,通过全连接层回归器将特征表达式映射到电池健康状态的预测值,以输出待预测锂电池的电池健康状态预测值。
Sg:根据电池健康状态预测值,输出待预测锂电池的剩余寿命数据。
在本实施例中,利用预设阈值来判定锂电池的寿命终结时间。其中预设阈值为预先设定的电池健康状态预测值的最低限制,当电池健康状态预测值为预设阈值时,为锂电池寿命终结时间,以预测待预测锂电池的剩余寿命数据。
综上可知,通过训练好的剩余寿命预测模型将通道数设置为不同特征组合的预设数量。处理待预测锂电池的特征组合数据矩阵,多头自注意力机制可以自适应地处理不同位置的特征数据矩阵以提取待预测锂电池的底层信息。基于ViT模型处理图像数据的方式,使得训练好的剩余寿命预测模型具有更好的特征表示能力,能够挖掘潜在的充电数据对应的不同特征组合与锂电池剩余寿命关系。
在本申请的另一个实施例中,在上述实施例的基础上,对步骤“S204:针对每个特征组合,从各指标随时间变化的特征曲线中,获取预设数量的充电循环的各特征组合对应的指标对应的离散点”的操作进行了详细介绍,具体如下:
具体地,在各指标随时间变化的特征曲线中,将恒流充电阶段对应的各指标随时间变化的特征曲线确定为恒流充电阶段的特征曲线;对恒流充电阶段的特征曲线进行插值,获取预设数量的充电循环的各特征组合对应的指标对应的离散点。
综上可知,锂电池充电过程相对稳定,且充电协议一般会规定恒流充电过程中的最低电压和最高电压,因此可以得到该电压段对应的时间段。对恒流充电阶段的特征曲线进行插值,进而得到该时间段对应的各特征的离散点,能够进一步提高锂电池剩余寿命的预测精度。
在本申请的另一个实施例中,在上述实施例的基础上,对得到训练好的剩余寿命预测模型的操作进行了详细介绍,本实施例的执行主体可以为图1所示实施例中的服务器102,也可以是具有相似功能的其他服务器,本实施例此处不做特别限制,具体包括:
S207:接收数据采集终端发送的多个锂电池的充电数据。
S208:获取每个锂电池的充电数据对应的特征组合数据矩阵。
在本实施例中,步骤S208与步骤S202~205的步骤相同,此处不再赘述。
S209:获取每个锂电池的健康状态数据和剩余寿命数据。
S210:根据每个锂电池对应的特征组合数据矩阵、健康状态数据和剩余寿命数据,构建样本数据集。
具体地,将每个锂电池对应的健康状态数据和剩余寿命数据作为标签,添加至每个锂电池对应的特征组合数据矩阵,以得到多个带有标签的特征组合数据矩阵,并将多个带有标签的特征组合数据矩阵确定为样本数据集。
S211:将样本数据集输入至剩余寿命预测模型进行迭代训练,以得到训练好的剩余寿命预测模型。
其中,样本数据集为多个特征组合数据矩阵。
具体地,通过分割层将每个特征组合数据矩阵分割为多个特征数据矩阵。嵌入层将每个特征数据矩阵拉伸为一维向量,为了转换为可以被处理的一维序列,并保留[class]token。由于剩余寿命预测模型本身不具有处理序列数据的能力,因此需要添加位置编码向量。在编辑器层使用多头自注意力机制更新输入数据,在x=x+attention(x),x代表输入数据,attention(x)表示对输入数据x进行自注意力计算,并将结果加到原始输入数据上,得到最终的注意力权重;将经过自注意力处理的数据通过一个多层感知机进行进一步的处理。将全连接层回归器的参数设置为64,进行预测,然后计算预测值和真实值之间的均方误差作为损失函数。这个损失函数衡量了模型的预测准确性,并在训练过程中进行优化,以得到训练好的剩余寿命预测模型。
综上可知,将锂电池剩余寿命的预测问题转化为监督学习问题。获取多个锂电池的充电数据,通过获取每个锂电池对应的特征组合数据矩阵、将充电数据中蕴含的与健康状态和剩余寿命有关的数据确定为标签添加至特征组合数据矩阵、确定样本数据集和训练模型,得到训练好的剩余寿命预测模型,以实现了对锂电池剩余寿命数据的精准预测。
图4为本申请实施例提供的锂电池剩余寿命的预测装置的结构示意图。如图4所示,该锂电池剩余寿命的预测装置包括:接收模块401、生成模块402、第一获取模块403、第二获取模块404、确定模块405以及输出模块406。
接收模块401,用于接收数据采集终端发送的待预测锂电池的充电数据,其中所述充电数据中包括所述待预测锂电池在各充电循环中的各指标随时间变化的序列;
生成模块402,用于根据所述各指标随时间变化的序列生成各指标随时间变化的特征曲线;
第一获取模块403,用于对各指标进行特征组合,得到预设数量的特征组合;
第二获取模块404,用于针对每个特征组合,从所述各指标随时间变化的特征曲线中,获取预设数量的充电循环的各特征组合对应的指标对应的离散点;
确定模块405,用于将各特征组合的预设数量的充电循环的各特征组合对应的指标对应的离散点,确定为特征组合数据矩阵;
输出模块406,用于将所述特征组合数据矩阵输入到训练好的剩余寿命预测模型中,以输出所述待预测锂电池的剩余寿命数据。
在一种可能的设计中,其中训练好的剩余寿命预测模型中包括分割层、嵌入层、编码器层和全连接层回归器;相应地,所述输出模块406,具体用于:通过分割层将特征组合数据矩阵分割为多个特征数据矩阵;将每个特征数据矩阵输入至嵌入层,以输出每个特征数据矩阵对应的嵌入向量;获取每个特征数据矩阵对应的位置编码向量;根据嵌入向量和位置编码向量,得到每个特征数据矩阵的最终向量;将每个特征数据矩阵的最终向量输入至编码器层,以输出充电数据的特征表达式;将特征表达式输入至全连接层回归器,以输出待预测锂电池的电池健康状态预测值;根据电池健康状态预测值,输出待预测锂电池的剩余寿命数据。
在一种可能的设计中,所述第二获取模块404,具体用于:在各指标随时间变化的特征曲线中,将恒流充电阶段对应的各指标随时间变化的特征曲线确定为恒流充电阶段的特征曲线;对恒流充电阶段的特征曲线进行插值,获取预设数量的充电循环的各特征组合对应的指标对应的离散点。
在一种可能的设计中,所述装置还包括:训练模块407,用于接收数据采集终端发送的多个锂电池的充电数据;获取每个锂电池的充电数据对应的特征组合数据矩阵;获取每个锂电池的健康状态数据和剩余寿命数据;根据每个锂电池对应的特征组合数据矩阵、健康状态数据和剩余寿命数据,构建样本数据集;将样本数据集输入至剩余寿命预测模型进行迭代训练,以得到训练好的剩余寿命预测模型。
在一种可能的设计中,所述第一获取模块403,具体用于:对电流、电压、温度、电量、能量和容量增量值IC中的多种指标进行不同的组合处理,以得到预设数量的特征组合。
图5为本申请实施例提供的服务器的硬件结构示意图。如图5所示,本实施例的服务器包括:至少一个处理器501和存储器502;存储器存储计算机执行指令;至少一个处理器执行存储器存储的计算机执行指令,使得至少一个处理器执行如上的锂电池剩余寿命的预测方法。
可选地,存储器502既可以是独立的,也可以跟处理器501集成在一起。
当存储器502独立设置时,该服务器还包括总线503,用于连接所述存储器502和处理器501。
本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上所述的锂电池剩余寿命的预测方法。
本申请实施例还提供一种计算机程序产品,包括计算机程序,其存储在计算机存储介质中,至少一个处理器可以从计算机存储介质读取计算机程序,至少一个处理器执行计算机程序时可实现如上的锂电池剩余寿命的预测方法。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作和模块并不一定是本申请所必须的。
进一步需要说明的是,虽然流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
应该理解,上述的装置实施例仅是示意性的,本申请的装置还可通过其它的方式实现。例如,上述实施例中单元/模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。例如,多个单元、模块或组件可以结合,或者可以集成到另一个系统,或一些特征可以忽略或不执行。
另外,若无特别说明,在本申请各个实施例中的各功能单元/模块可以集成在一个单元/模块中,也可以是各个单元/模块单独物理存在,也可以两个或两个以上单元/模块集成在一起。上述集成的单元/模块既可以采用硬件的形式实现,也可以采用软件程序模块的形式实现。
集成的单元/模块如果以硬件的形式实现时,该硬件可以是数字电路,模拟电路等等。硬件结构的物理实现包括但不局限于晶体管,忆阻器等等。若无特别说明,处理器可以是任何适当的硬件处理器,比如CPU、GPU、FPGA、DSP和ASIC等等。若无特别说明,存储单元可以是任何适当的磁存储介质或者磁光存储介质,比如,阻变式存储器RRAM(ResistiveRandom Access Memory)、动态随机存取存储器DRAM(Dynamic Random Access Memory)、静态随机存取存储器SRAM(Static Random-Access Memory)、增强动态随机存取存储器EDRAM(Enhanced Dynamic Random Access Memory)、高带宽内存HBM(High-Bandwidth Memory)、混合存储立方HMC(Hybrid Memory Cube)等等。
集成的单元/模块如果以软件程序模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。上述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (10)
1.一种锂电池剩余寿命的预测方法,其特征在于,应用于服务器,包括:
接收数据采集终端发送的待预测锂电池的充电数据,其中所述充电数据中包括所述待预测锂电池在各充电循环中的各指标随时间变化的序列;
根据所述各指标随时间变化的序列生成各指标随时间变化的特征曲线;
对各指标进行特征组合,得到预设数量的特征组合;
针对每个特征组合,从所述各指标随时间变化的特征曲线中,获取预设数量的充电循环的各特征组合对应的指标对应的离散点;
将各特征组合的预设数量的充电循环的各特征组合对应的指标对应的离散点,确定为特征组合数据矩阵;
将所述特征组合数据矩阵输入到训练好的剩余寿命预测模型中,以输出所述待预测锂电池的剩余寿命数据。
2.根据权利要求1所述的方法,其特征在于,其中所述训练好的剩余寿命预测模型中包括分割层、嵌入层、编码器层和全连接层回归器;
相应地,所述将所述特征组合数据矩阵输入到训练好的剩余寿命预测模型中,以输出所述待预测锂电池的剩余寿命数据,包括:
通过所述分割层将所述特征组合数据矩阵分割为多个特征数据矩阵;
将每个特征数据矩阵输入至所述嵌入层,以输出所述每个特征数据矩阵对应的嵌入向量;
获取所述每个特征数据矩阵对应的位置编码向量;
根据所述嵌入向量和所述位置编码向量,得到所述每个特征数据矩阵的最终向量;
将所述每个特征数据矩阵的最终向量输入至所述编码器层,以输出所述充电数据的特征表达式;
将所述特征表达式输入至所述全连接层回归器,以输出所述待预测锂电池的电池健康状态预测值;
根据所述电池健康状态预测值,输出所述待预测锂电池的剩余寿命数据。
3.根据权利要求1所述的方法,其特征在于,所述针对每个特征组合,从所述各指标随时间变化的特征曲线中,获取预设数量的充电循环的各特征组合对应的指标对应的离散点,包括:
在所述各指标随时间变化的特征曲线中,将恒流充电阶段对应的所述各指标随时间变化的特征曲线确定为恒流充电阶段的特征曲线;
对所述恒流充电阶段的特征曲线进行插值,获取预设数量的充电循环的各特征组合对应的指标对应的离散点。
4.根据权利要求1所述的方法,其特征在于,还包括:
接收数据采集终端发送的多个锂电池的充电数据;
获取每个锂电池的充电数据对应的特征组合数据矩阵;
获取所述每个锂电池的健康状态数据和剩余寿命数据;
根据所述每个锂电池对应的所述特征组合数据矩阵、所述健康状态数据和所述剩余寿命数据,构建样本数据集;
将所述样本数据集输入至剩余寿命预测模型进行迭代训练,以得到所述训练好的剩余寿命预测模型。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述对各指标进行特征组合,得到预设数量的特征组合,包括:
对电流、电压、温度、电量、能量和容量增量值IC中的多种指标进行不同的组合处理,以得到预设数量的特征组合。
6.一种锂电池剩余寿命的预测装置,其特征在于,应用于服务器,包括:
接收模块,用于接收数据采集终端发送的待预测锂电池的充电数据,其中所述充电数据中包括所述待预测锂电池在各充电循环中的各指标随时间变化的序列;
生成模块,用于根据所述各指标随时间变化的序列生成各指标随时间变化的特征曲线;
第一获取模块,用于对各指标进行特征组合,得到预设数量的特征组合;
第二获取模块,用于针对每个特征组合,从所述各指标随时间变化的特征曲线中,获取预设数量的充电循环的各特征组合对应的指标对应的离散点;
确定模块,用于将各特征组合的预设数量的充电循环的各特征组合对应的指标对应的离散点,确定为特征组合数据矩阵;
输出模块,用于将所述特征组合数据矩阵输入到训练好的剩余寿命预测模型中,以输出所述待预测锂电池的剩余寿命数据。
7.根据权利要求6所述的装置,其特征在于,其中所述训练好的剩余寿命预测模型中包括分割层、嵌入层、编码器层和全连接层回归器;
相应地,所述输出模块,具体用于:通过所述分割层将所述特征组合数据矩阵分割为多个特征数据矩阵;将每个特征数据矩阵输入至所述嵌入层,以输出所述每个特征数据矩阵对应的嵌入向量;获取所述每个特征数据矩阵对应的位置编码向量;根据所述嵌入向量和所述位置编码向量,得到所述每个特征数据矩阵的最终向量;将所述每个特征数据矩阵的最终向量输入至所述编码器层,以输出所述充电数据的特征表达式;将所述特征表达式输入至所述全连接层回归器,以输出所述待预测锂电池的电池健康状态预测值;根据所述电池健康状态预测值,输出所述待预测锂电池的剩余寿命数据。
8.根据权利要求6所述的装置,其特征在于,所述第二获取模块,具体用于:在所述各指标随时间变化的特征曲线中,将恒流充电阶段对应的所述各指标随时间变化的特征曲线确定为恒流充电阶段的特征曲线;对所述恒流充电阶段的特征曲线进行插值,获取预设数量的充电循环的各特征组合对应的指标对应的离散点。
9.一种服务器,其特征在于,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如权利要求1-5任一项所述的锂电池剩余寿命的预测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如权利要求1-5任一项所述的锂电池剩余寿命的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311837548.7A CN117970121A (zh) | 2023-12-28 | 2023-12-28 | 锂电池剩余寿命的预测方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311837548.7A CN117970121A (zh) | 2023-12-28 | 2023-12-28 | 锂电池剩余寿命的预测方法、装置、服务器及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117970121A true CN117970121A (zh) | 2024-05-03 |
Family
ID=90846796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311837548.7A Pending CN117970121A (zh) | 2023-12-28 | 2023-12-28 | 锂电池剩余寿命的预测方法、装置、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117970121A (zh) |
-
2023
- 2023-12-28 CN CN202311837548.7A patent/CN117970121A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110398697B (zh) | 一种基于充电过程的锂离子健康状态估计方法 | |
Kim et al. | Data-driven state of health estimation of li-ion batteries with RPT-reduced experimental data | |
US20160239592A1 (en) | Data-driven battery aging model using statistical analysis and artificial intelligence | |
CN113219357A (zh) | 电池包健康状态计算方法、系统及电子设备 | |
CN111537884B (zh) | 获取动力电池寿命数据的方法、装置、计算机设备及介质 | |
CN110290972B (zh) | 估计电池单体的充电状态的方法 | |
JP2023520970A (ja) | リチウム電池のsoc推定方法、装置及びコンピュータ読み取り可能な記憶媒体 | |
CN112834927A (zh) | 锂电池剩余寿命预测方法、系统、设备及介质 | |
CN115236519A (zh) | 基于隐马尔可夫模型的锂电池健康状态预测方法及装置 | |
Xu et al. | Fast capacity prediction of lithium-ion batteries using aging mechanism-informed bidirectional long short-term memory network | |
CN113219341A (zh) | 一种模型生成及电池劣化推测装置、方法、介质及设备 | |
CN114594378A (zh) | 一种锂电池soh模型训练方法、预测方法、装置及设备 | |
CN115616421A (zh) | 一种电池健康状态估算方法、系统、设备和介质 | |
CN115389954A (zh) | 一种电池容量的估算方法、电子设备及可读存储介质 | |
CN113406496A (zh) | 基于模型迁移的电池容量预测方法、系统、装置及介质 | |
CN115856641A (zh) | 一种电池剩余充电时间预测方法、装置及电子设备 | |
CN117970121A (zh) | 锂电池剩余寿命的预测方法、装置、服务器及存储介质 | |
Song et al. | Capacity estimation method of lithium-ion batteries based on deep convolution neural network | |
Renold et al. | Comprehensive Review of Machine Learning, Deep Learning, and Digital Twin Data-Driven Approaches in Battery Health Prediction of Electric Vehicles | |
CN116298927A (zh) | 一种电池容量估计方法和装置、计算机设备、存储介质 | |
JP7314822B2 (ja) | バッテリ劣化判定装置、バッテリ劣化判定方法、及びバッテリ劣化判定プログラム | |
WO2022075215A1 (ja) | データ処理システム、モデル生成装置、データ処理方法、モデル生成方法、及びプログラム | |
CN114881318B (zh) | 基于生成对抗网络的锂电池健康状态预测方法及系统 | |
CN115293100B (zh) | 一种新能源电池剩余电量精准评估方法 | |
CN115825790B (zh) | 电池绝缘故障的预警方法、装置、系统和计算机设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |